![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
网络
薪升贷农名工
Long-time Pythonista
展开
-
Mask RCNN深入理解
转载自:令人拍案称奇的Mask RCNN最近在做一个目标检测项目,用到了Mask RCNN。我仅仅用了50张训练照片,训练了1000步之后进行测试,发现效果好得令人称奇。就这个任务,很久之前用yolo v1训练则很难收敛。不过把它们拿来比当然不公平,但我更想说的是,mask RCNN效果真的很好。所以这篇文章来详细地总结一下Mask RCNN。Mask RCNN沿用了Faster RCNN的思...转载 2020-04-29 09:49:11 · 2234 阅读 · 0 评论 -
Faster-RCNN深入理解
经过R-CNN和Fast RCNN的积淀,Ross B. Girshick在2016年提出了新的Faster RCNN,在结构上,Faster RCNN已经将特征抽取(feature extraction),proposal提取,bounding box regression(rect refine),classification都整合在了一个网络中,使得综合性能有较大提高,在检测速度方面尤为明显...转载 2020-04-28 14:52:56 · 734 阅读 · 0 评论 -
YOLO v1深入理解
YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法,其最大的特点是运行速度很快,可以用于实时系统。现在YOLO已经发展到v3版本,不过新版本也是在原有版本基础上不断改进演化的,所以本文先分析YOLO v1版本。关于 YOLOv2/YOLO9000 的分析理解请移步 YOLO v2 / YOLO 9000。对象识别和定位输入一张图片,要求输出其中所包含...转载 2020-04-28 11:00:59 · 1098 阅读 · 0 评论 -
Focal Loss 论文理解及公式推导
参考自:https://www.aiuai.cn/aifarm636.html,这里讲的很清楚Focal Loss 主要解决难分样本和易分样本的问题,即hard sample 和easy sample。那难分样本和易分样本是怎么定义的,那么我们可以根据Pt来定义难易样本,即大的Pt是easy samples, 小的Pt为hard samples.这是因为当标签为正样本时,P越...转载 2019-07-02 14:46:22 · 595 阅读 · 0 评论 -
深度网络中归一化方式结合医学图像的理解
在深度网络中,Batchnorm是最常用的归一化方式,但它严重依赖于设定的batch size。看上图,在训练过程中,它计算的均值方差是所有mini batch的均值方差,在测试过程中均值方差可不是测试样本的均值方差,而是在之前训练的过程中求所有batch的均值的期望,方差的期望,然后进行测试推理,具体可见https://blog.csdn.net/sinat_30372583/articl...原创 2018-11-25 22:05:19 · 3010 阅读 · 0 评论 -
深度学习优化器 optimizer
转载自:https://blog.csdn.net/aliceyangxi1987/article/details/73210204 在很多机器学习和深度学习的应用中,我们发现用的最多的优化器是 Adam,为什么呢?下面是 TensorFlow 中的优化器, https://www.tensorflow.org/api_guides/python/train 在 keras 中也有 ...转载 2018-06-26 14:30:54 · 463 阅读 · 0 评论 -
caffe 3d Unet网络实现
github下载3Dunet并编译。这里主要按照3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation论文,官方介绍在这里。 我主要想用一下论文中提到的elastic deformation数据扩充方法,论文实现了在caffe中添加了一个deformation的层,专门用来做扩充,这样每次送入网络的图都要经过...原创 2018-06-02 11:01:55 · 5072 阅读 · 2 评论 -
caffe源码阅读——Blob类
转载自:https://blog.csdn.net/u010327085/article/details/50448912 最近,在windows下用vs2013编译通过了caffe。现想在vs2013中来阅读学习caffe的源码,边学边记录。caffe的windows版本,我是参考了这里。 http://blog...转载 2018-06-08 20:47:40 · 340 阅读 · 0 评论 -
SENet 详解
转自:http://www.sohu.com/a/161633191_465975我是 Momenta 的高级研发工程师胡杰,很高兴可以和大家分享我们的 SENet。借助我们提出的 SENet,我们团队(WMW)以极大的优势获得了最后一届 ImageNet 2017 竞赛 Image Classification 任务的冠军,并被邀请在 CVPR 2017 的 w...转载 2018-06-08 16:28:28 · 3097 阅读 · 0 评论 -
caffe 添加dice loss及解析
文件在Github下载如下图 将.cpp和.cu文件放到/caffe/src/caffe/layers/路径下,将.hpp文件放到/caffe/include/caffe/layers/路径下,然后重新编译caffe即可使用dice loss. 使用形式:layer { name: "loss" type: "DiceCoefLoss" bottom: "Deconv"..原创 2018-06-01 17:07:27 · 2962 阅读 · 5 评论 -
caffe中的矩阵操作函数
转载自:https://blog.csdn.net/seven_first/article/details/47378697#15-caffecpuasum-函数 目录目录主要函数1. caffe_cpu_gemm 函数:2. caffe_cpu_gemv 函数:3.caffe_axpy 函数:4.caffe_set 函数:5.caffe_a...转载 2018-05-30 21:57:32 · 2372 阅读 · 0 评论 -
理解dropout
理解dropout注意:图片都在github上放着,如果刷不开的话,可以考虑翻墙。转载自:http://blog.csdn.net/stdcoutzyx/article/details/49022443123开篇明义,dropout是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中...转载 2018-05-03 16:15:15 · 182 阅读 · 0 评论 -
对含有全连接层的网络输入数据大小固定问题的理解
含有全连接层的网络输入数据的大小应该是固定的,这是因为全连接层和前面一层的连接的参数数量需要事先确定,不像卷积核的参数个数就是卷积核大小,前层的图像大小不管怎么变化,卷积核的参数数量也不会改变,但全连接的参数是随前层大小的变化而变的,那么在初始化模型的时候就得先把网络固定死。但是,但是,但是,全连接的实现可以通过卷积的方式进行,这就可以不用固定输入数据的大小了。这里有两种情况:前层为卷积层或...原创 2018-05-09 14:00:19 · 13639 阅读 · 0 评论 -
Ubuntu中卸载并重新安装google的Protocol Buffers
转载请注明出处:http://www.cnblogs.com/darkknightzh/p/5782992.html1 卸载掉老版本的Protocol:sudo apt-get remove libprotobuf-dev2 下载最新的Protocol Buffers。下载网址:https://developers.google.com/protocol-buffers/docs/转载 2018-01-27 15:37:00 · 4487 阅读 · 1 评论 -
网页大全
关于 epoch,iteration,batchsize: http://blog.csdn.net/sinat_30071459/article/details/50721565原创 2017-04-29 16:18:48 · 393 阅读 · 0 评论